Tekoälyn laajentaminen ei saisi tarkoittaa datan perustan rakentamista uudelleen joka kerta

Vuoden 2027 suunnittelukausi lähestyy yrityksissä, ja tekoälyinvestoinnit ovat jälleen ylimmän johdon keskustelujen kärjessä. Akeneon tuoreessa IT-päättäjille suunnatussa kyselyssä kävi ilmi, että 93 % vastaajista ilmoitti tekoälyn parantaneen tuottavuutta, mutta 43 % kertoi tekoälyn tuoneen myös uusia vastuita heidän tehtäviinsä.

Tulokset korostavat sitä, miten paljon pohjatyötä tekoälyhankkeiden toteuttaminen vaatii. Erityisesti datan valmistelu muodostaa merkittävän osan tästä työstä. Akeneon kyselyyn vastanneista IT-johtajista 36 % kertoi, että heidän organisaationsa käyttää yli puolet tekoälyhankkeen kokonaistyömäärästä datan valmisteluun. Lisäksi 53 % ilmoitti käyttävänsä datan valmisteluun 26–50 % tekoälyhankkeeseen käytetystä työmäärästä. Vaikka tämä valmistelu on tarpeen, mahdollisuus piilee siinä, että yhden tekoälyn käyttöönoton yhteydessä tehtyä työtä voidaan hyödyntää seuraavassakin käyttöönotossa.

Tekoäly voi poistaa työtehtäviä yhdestä liiketoiminnan osasta ja samalla luoda IT-tiimeille uusia tehtäviä, kun ne valmistelevat dataa ja rakentavat kontekstin uudelleen jokaista uutta käyttöönottoa varten. Nyt tavoitteena on tehdä suurempi osa tästä työstä uudelleenkäytettäväksi, jotta jokainen käyttöönotto voi pohjautua edelliseen eikä kaikkea tarvitse aloittaa alusta.

Ihmiset tekoälyn ytimessä

Ihmiset ovat edelleen keskeisessä asemassa kaikissa tekoälyn kokeiluissa ja käyttöönotossa. IT-tiimit osallistuvat uusien teknologioiden koko elinkaareen liiketoiminnan tarpeiden ymmärtämisestä ja ratkaisujen arvioinnista käyttöönottoon, koulutukseen, prosessien kehittämiseen ja jatkuvaan tietoturvan varmistamiseen. Ajan mittaan tiimit eivät välttämättä kirjaa muistiin kohtaamiaan poikkeuksia ja kirjoittamattomia sääntöjä, esimerkiksi tilanteita, joissa sama termi määritellään eri tavoin eri järjestelmissä. Näin syntyvä konteksti jää usein yksittäisten tiimin jäsenten hallussa olevaksi organisaation hiljaiseksi tiedoksi sen sijaan, että koko organisaatio voisi luotettavasti käyttää sitä.

Työ voi jatkua siihen asti, kunnes vastauksen tietävä henkilö ei ole enää saatavilla. Kun työntekijät vaihtavat tehtävää, lähtevät organisaatiosta tai eivät yksinkertaisesti ole tavoitettavissa ongelman ilmetessä, konteksti katoaa. Kun tieto tallennetaan jäsenneltyyn, digitaalisesti käytettävissä olevaan muotoon, se ei enää ole vain yhden henkilön varassa. Näin yksittäiset tiimit voivat myös pitää asiantuntemuksensa omassa hallinnassaan ja samalla varmistaa, että tietoa voidaan käyttää ja hyödyntää uudelleen koko organisaatiossa sen sijaan, että se pitäisi selvittää uudelleen jokaisen uuden käyttöönoton yhteydessä.

Hyvä data ei aina ole tekoälyvalmista

Kaikki tämä on houkuttelevaa selittää jälleen yhdeksi datan laatuongelmaksi, mutta Akeneon tutkimus viittaa monimutkaisempaan tilanteeseen. 92 % IT-johtajista arvioi tekoälyjärjestelmissään käytetyn tuote- ja operatiivisen datan hyväksi tai erinomaiseksi. Tästä huolimatta valtaosa käyttää yli neljänneksen tekoälyhankkeen kokonaistyömäärästä datan valmisteluun.

Datan hyvä laatu ei takaa, että se soveltuu tekoälyn käyttöön, etenkin koska se, mitä pidetään ”hyvänä”, voi riippua tiedon käyttäjästä. Mallit ja agentit tarvitsevat muutakin kuin tarkkaa tietoa. Niiden on ymmärrettävä, mistä data on peräisin, miten se liittyy muihin tietoihin, mikä lähde on ensisijainen ja millä ehdoilla tietoa voidaan käyttää. Nämä säännöt voivat jäädä helposti huomaamatta, koska ne sisältyvät usein kokeneiden tiimien vakiintuneisiin työtapoihin.

McKinseyn tuore tutkimus tekoälyn datavalmiudesta tuo esiin saman näkökulman kontekstin merkitykseen. Kaikki tieto ei ole hyödyllistä malleille tai agenteille. Kun tieto on hyödyllistä, sen kontekstin on kuitenkin siirryttävä sen mukana. Kun tieto siirtyy pois alkuperäisestä lähteestään, sen alkuperän ja yhteyksien muuhun dataan on pysyttävä selvinä, jotta sen merkitys ei katoa.

Tässä vaiheessa tekoälyn taustalla olevan arkkitehtuurin merkitys nousee yhtä suureksi kuin itse mallin. Perinteisistä ohjelmistoista poiketen suuret kielimallit (LLM) pystyvät usein toimimaan pirstaleisen datan ja toisistaan erillisten järjestelmien kanssa, vaikka tieto olisi eri lähteissä jäsennelty tai merkitty eri tavoin. Ne voivat tunnistaa yhteyksiä, joita ei ole aiemmin määritelty nimenomaisesti. Suurempi haaste on datan täydellinen puuttuminen. Kun mallit ja agentit toimivat eri järjestelmissä, niiden tarvitsemien tietojen ja kontekstin on ensin oltava olemassa ja saatavilla.

PwC:n vuonna 2026 tekemässä tutkimuksessa tekoälyn toteutuskuilusta havaittiin, että integraatio on edelleen yleisin syy siihen, etteivät teknologiainvestoinnit yllä odotuksiin. Laajan jäsentämättömän datakokonaisuuden yhdistäminen vie aikaa ja hidastaa usein hankkeita ennen kuin ne pääsevät täysimittaiseen käyttöön.

Yhden toteutuksen ongelmien ratkaisemiseksi tehty työ voi helpottaa seuraavaa toteutusta.

Tekoälyn infrastruktuurin tekeminen uudelleenkäytettäväksi

Yksittäisessä tekoälyhankkeessa suuri osa valmistelusta voi tapahtua taustalla. IT-tiimit selvittävät epäjohdonmukaisuuksia, valmistelevat sovelluksen tarvitsemat tiedot ja integroivat sovelluksen muihin järjestelmiin, jotta hanke voidaan viedä tuotantokäyttöön.

Ongelma syntyy, jos työ ratkaisee vain välittömän käyttötarpeen. Datan valmistelu kuuluu aina tekoälyn käyttöönottoon, mutta suuri osa tehdystä työstä pitäisi voida hyödyntää myös myöhemmin. Jos tiimi huomaa, että sama kenttä tai termi tarkoittaa eri asioita kahdessa järjestelmässä, epäselvyyden ratkaisemisen pitäisi tuottaa määritelmä, jota tulevat sovellukset voivat hyödyntää. Jos tiimi selvittää, mihin lähteeseen järjestelmien ollessa eri mieltä pitäisi luottaa, päätöksen pitäisi päteä myös tulevissa käyttöönotoissa.

Sama periaate koskee integraatioita. Sen sijaan, että jokaiselle mallille tai agentille luotaisiin uusi reitti tuotteisiin ja tietoihin, organisaatioiden tulisi luoda yhdenmukaiset tavat, joilla tekoälyjärjestelmät löytävät luotettavaa tietoa ja voivat hyödyntää sitä.

Ensimmäinen toteutus voi silti vaatia paljon työtä, sillä tiimit tuovat esiin määritelmiä, suhteita ja poikkeuksia, jotka ovat aiemmin olleet ihmisten kokemuksen varassa. Työstä kertyvä osaaminen voidaan hyödyntää jatkossakin, kun organisaation yhteisestä osaamisesta tulee yhä enemmän osa sen infrastruktuuria. Myöhemmät käyttöönotot voivat hyötyä tästä työstä, ja hyöty riippuu siitä, kuinka paljon yhteistä pohjaa niiden datassa ja käyttötapauksissa on.

Tämä on yhä tärkeämpää, kun tekoäly ei enää vain tuota vastauksia vaan alkaa myös tehdä toimia yritysjärjestelmissä. NISTin tekoälyagenttien standardointialoite korostaa, että agenttien on pystyttävä toimimaan turvallisesti sisäisten tietojen ja ulkoisten järjestelmien kanssa. Kun agenteille annetaan enemmän vastuuta ja ne ovat vuorovaikutuksessa useampien järjestelmien ja mallien kanssa, organisaatioiden on varmistettava, että kussakin käyttötapauksessa on käytössä oikea konteksti ja asianmukaiset valvontakeinot ilman, että kaikkea tarvitsee aloittaa kokonaan alusta.

Hallinnan on oltava osa toimintaympäristöä

Uudelleenkäytettävä infrastruktuuri edellyttää myös uudelleenkäytettävää hallintamallia. EY:n syyskuussa 2026 tekemässä tekoälyn riskejä ja hallintaa käsittelevässä kyselyssä havaittiin, että 91 % tekoälystä vastaavista ylimmän johdon edustajista kertoi organisaationsa kokeilevan agenttista tekoälyä tai ottavan sitä käyttöön. Vastaajista, joiden organisaatioissa käytettiin agentteja, 49 % puolestaan kertoi, ettei niiden nykyisiä hallintakehyksiä ollut päivitetty nimenomaan agenttiseen tekoälyyn liittyvien vaatimusten ja riskien huomioon ottamiseksi.

Kun tekoälylle annetaan enemmän vastuuta liiketoimintaprosessissa, prosessia ohjaavista säännöistä on tultava osa toimintaympäristöä, jossa tekoäly toimii. Agentti voi pystyä käyttämään tiettyjä tietoja itsenäisesti, mutta prosessin muissa vaiheissa voidaan edellyttää ihmisen tarkistusta tai hyväksyntää ennen etenemistä. Näitä päätöksiä ei voida jättää pelkästään käytäntöasiakirjaan tai jonkun käsityksen varaan siitä, miten prosessin pitäisi toimia.

Hallintaa koskevien päätösten on ulotuttava sisäisiä arviointeja pidemmälle, niihin järjestelmiin, joissa tekoäly toimii. Järjestelmää ohjaavat käytännöt, käyttöoikeudet ja hyväksyntävaiheet on määriteltävä osana itse käyttöönottoa. Jos näitä valvontakeinoja ei sisällytetä järjestelmään, tiimit joutuvat tulkitsemaan käytäntöjä ja käyttöoikeuksia uudelleen jokaisen uuden tekoälyn käyttötapauksen käyttöönoton yhteydessä.

Valmistautuminen tekoälyn seuraavaan aaltoon

Kun yritykset ottavat kasvavat tekoälybudjettinsa käyttöön vuonna 2027, IT-tiimien vastuulle tulee yhä enemmän malleja, integraatioita ja järjestelmiä. Suurempi koetinkivi on se, rakentavatko organisaatiot infrastruktuurin, joka pystyy tukemaan tulevaa kehitystä.

Jos tiimit joutuvat yhä selvittämään samoja määritelmiä, rakentamaan uudelleen samoja yhteyksiä ja kääntämään samoja sääntöjä, tekoäly saattaa skaalautua nopeammin kuin sen tukemiseen tarvittava infrastruktuuri.

Tämä tarjoaa uuden tavan ajatella tekoälyvalmiutta. Edistystä ei pitäisi mitata pelkästään sillä, kuinka moni malli tai agentti päätyy tuotantokäyttöön, vaan myös sillä, tekeekö kukin toteutus yrityksestä paremmin valmistautuneen seuraavaan.

Tekoäly nopeuttaa jo yksittäisiä tehtäviä. Seuraava tuottavuuden lisäys syntyy siitä, että näiden järjestelmien taustalla olevaa työtä on helpompi hyödyntää uudelleen. Tekoälyä integroidaan yhä enemmän liiketoimintaprosesseihin, mikä edellyttää, että yhä useammat järjestelmät perustuvat samoihin tietoperustoihin. Nyt rakennettava perusta ratkaisee, kuinka helposti organisaatiot voivat ottaa käyttöön tekoälyn seuraavan sukupolven.